超越微调：使用功能保持变换分类高分辨率乳腺X线照片

乳腺X线摄影图像的分类是一项极具挑战性的任务，因为病变在高分辨率图像中通常很小。目前，医学图像分类领域的最先进方法依赖于卷积神经网络（ConvNets）的事实上的方法——微调。然而，自然图像和医学图像之间存在根本差异，根据现有文献中的证据，这些差异限制了算法设计的整体性能提升。在本文中，我们提出了一种超越微调的新框架，称为MorphHR，在该框架中我们强调了一种新的迁移学习方案。所提出的框架的核心思想是在任何连续非线性激活神经元中集成功能保持变换，以内部正则化网络，从而提高乳腺X线摄影图像的分类性能。与现有技术相比，所提出的解决方案具有两大优势。首先，与微调不同的是，该方法不仅允许修改深度卷积神经网络的最后一层或几层，还可以修改前几层中的多层。通过这种方式，我们可以设计网络前端以适应特定领域的特征学习。其次，所提出的方案可扩展到硬件层面，因此可以在标准GPU内存上处理高分辨率图像。我们证明了使用高分辨率图像可以防止丢失相关信息。通过数值实验和可视化实验，我们展示了所提出的方法在分类性能上显著优于当前最先进的技术，并且其表现与放射学专家相当。此外，为了验证泛化能力，我们在另一个大型数据集ChestX-ray14上展示了所提学习方案的有效性，并超过了现有的最先进技术。